[发明专利]基于深度学习PCB缺陷两阶段检测方法

权利要求书

1.一种基于深度学习PCB缺陷两阶段检测方法，其特征在于，包括以下步骤：

获取PCB标准板图片和PCB待测板图片；

参考所述PCB标准板图片，构建检测所述PCB待测板缺陷的PCB缺陷检测浅层神经网络；

基于所述PCB缺陷检测浅层神经网络，进行所述PCB待测板的缺陷特征提取、特征融合、PCB板特征的掩模，对所述PCB待测板的缺陷进行初步检测、分类和回归；

基于所述PCB待测板图片的缺陷，利用预先构建的浅层分类和分级网络对所述PCB待测板的缺陷进行分类和分级，生成所述PCB待测板缺陷的初步检测结果；

构建检测所述PCB待测板缺陷的PCB缺陷检测深层神经网络，基于所述PCB缺陷检测浅层神经网络初步检测的所述PCB待测板图片缺陷，学习和强化弱的特征，消除模型对部分视图信息的过拟合，融合特征提取，精化PCB待测板缺陷的分类与分级，生成所述PCB待测板缺陷检测的最终结果。

2.根据权利要求1所述的方法，其特征在于，构建检测所述PCB待测板缺陷的浅层神经网络，基于所述浅层神经网络，进行所述PCB待测板的缺陷特征提取、特征融合、PCB板特征的掩模，对所述PCB待测板的缺陷进行初步检测、分类和回归，包括：

对所述PCB标准板图片和所述PCB待测板图片进行预处理，得到处理后的PCB标准板图片和PCB待测板图片；

对CNN网络和FPN网络进行剪枝优化，利用优化的浅层CNN网络和浅层FPN网络，在不同层级进行预测，得到所述处理后的PCB标准板图片和PCB待测板图片的多尺度的缺陷检测框；

基于所述处理后的PCB标准板图片和PCB待测板图片，经过网络卷积后，得到标准板特征图与待测板特征图并进行比较，提取网络学习特征差异信息；

根据所述网络学习特征差异信息、PCB板的视觉信息融合得到PCB融合特征；

利用CGA将所述待测板特征图与所述标准板特征图进行通道拼接，对拼接的特征图分组融合，再进行分组多层卷积，输出注意力掩膜；

将所述CGA与所述注意力掩膜前特征交互，加入特征残差信息部分，输出掩膜后特征；

利用PCB缺陷标注系统，对PCB图像分割，缺陷进行框选、收集，并按照国际PCB板分类和分级原则对PCB板缺陷的类型和级别进行标记，构建PCB缺陷特征库；

利用PCB板特征掩膜模块和CNN分类分支模块，构建浅层PCB板缺陷分类网络；

利用PCB板特征掩膜模块和CNN回归分支模块，构建浅层PCB板缺陷回归网络；

利用PCB板特征融合掩膜模块和NCC差异修正模块，对特定的点与区域进行归一化互相关，计算出所述待测PCB板图像缺陷特征在模板图内的最大响应，输出异常注意力掩码；

利用所述浅层PCB板缺陷分类网络和所述PCB缺陷特征库，初步识别所述待测PCB板图片中缺陷的类型；

利用CNN分类分支模块、Center-ness模块和HCL模块，增强前景和背景区域特征，改进缺陷稀疏分布且目标特征不明显的PCB检测，提升网络对前景和背景区域的置信度区分度；

利用所述浅层PCB板缺陷回归网络、所述Center-ness模块和所述HCL模块，预测所述待测PCB板的缺陷中心，并确定所述待测PCB板的缺陷的框及位置；

利用所述PCB缺陷分类模块与所述HCL模块交互，然后与所述缺陷回归框模块信息融合；

利用非最大值抑制模块和所述NCC差异修正模块交互，过滤PCB缺陷的冗余检测框，给出待测PCB板缺陷的疑似预判，确定所述PCB待测板图片在第一阶段网络检测的缺陷。